論文の概要: Deep Learning Based Channel Estimation in High Mobility Communications
Using Bi-RNN Networks
- arxiv url: http://arxiv.org/abs/2305.00208v1
- Date: Sat, 29 Apr 2023 09:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:30:01.306725
- Title: Deep Learning Based Channel Estimation in High Mobility Communications
Using Bi-RNN Networks
- Title(参考訳): bi-rnnネットワークを用いた高移動度通信における深層学習に基づくチャネル推定
- Authors: Abdul Karim Gizzini, Marwa Chafii
- Abstract要約: 本稿では,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定手法を提案する。
開発されたBi-GRU推定器は、最近提案されたCNNベースの推定器を、異なる移動シナリオで大幅に上回っている。
- 参考スコア(独自算出の注目度): 7.310043452300738
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Doubly-selective channel estimation represents a key element in ensuring
communication reliability in wireless systems. Due to the impact of multi-path
propagation and Doppler interference in dynamic environments, doubly-selective
channel estimation becomes challenging. Conventional channel estimation schemes
encounter performance degradation in high mobility scenarios due to the usage
of limited training pilots. Recently, deep learning (DL) has been utilized for
doubly-selective channel estimation, where convolutional neural network (CNN)
networks are employed in the frame-by-frame (FBF) channel estimation. However,
CNN-based estimators require high complexity, making them impractical in
real-case scenarios. For this purpose, we overcome this issue by proposing an
optimized and robust bi-directional recurrent neural network (Bi-RNN) based
channel estimator to accurately estimate the doubly-selective channel,
especially in high mobility scenarios. The proposed estimator is based on
performing end-to-end interpolation using gated recurrent unit (GRU) unit.
Extensive numerical experiments demonstrate that the developed Bi-GRU estimator
significantly outperforms the recently proposed CNN-based estimators in
different mobility scenarios, while substantially reducing the overall
computational complexity.
- Abstract(参考訳): 二重選択チャネル推定は、無線システムにおける通信信頼性を保証する重要な要素である。
動的環境におけるマルチパス伝搬とドップラー干渉の影響により,2重選択チャネル推定が困難となる。
従来のチャネル推定手法は、限られた訓練パイロットの使用により、高移動度シナリオにおける性能劣化に遭遇する。
近年,畳み込みニューラルネットワーク(CNN)ネットワークを用いたフレーム・バイ・フレーム(FBF)チャネル推定において,深層学習(DL)を二重選択チャネル推定に利用している。
しかし、cnnベースの推定器は高い複雑さを必要とし、実際のシナリオでは実用的でない。
この目的のために,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定器を提案することにより,この問題を克服する。
提案手法は,ゲートリカレントユニット(GRU)ユニットを用いてエンドツーエンドの補間を行う。
広範な数値実験により、開発されたbi-gru推定器は、最近提案されたcnnベースの推定器を異なる移動シナリオで大幅に上回っていることが示され、計算の複雑さは大幅に減少する。
関連論文リスト
- Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。
RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。
本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-09T19:45:49Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳(メタデータ) (2023-06-08T06:15:17Z) - A Survey on Deep Learning based Channel Estimation in Doubly Dispersive
Environments [7.310043452300738]
無線通信システムは、動的環境におけるマルチパスのフェージングとドップラーシフトの影響を受けている。
従来の方法では、データ転送速度を維持するために、チャネル推定に数名のパイロットしか使われていない。
深層学習は、その低複雑さ、堅牢性、そして優れた一般化能力のために、二重分散チャネル推定に使われている。
論文 参考訳(メタデータ) (2022-06-05T12:44:50Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳(メタデータ) (2022-05-22T12:16:43Z) - Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。
チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文 参考訳(メタデータ) (2022-01-24T19:55:10Z) - CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。
CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。
CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
論文 参考訳(メタデータ) (2021-10-21T06:26:31Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳(メタデータ) (2021-09-06T13:42:32Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳(メタデータ) (2021-08-03T14:26:14Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳(メタデータ) (2021-07-27T06:57:56Z) - CNN aided Weighted Interpolation for Channel Estimation in Vehicular
Communications [4.6898263272139795]
IEEE 802.11p規格は、車両輸送と交通効率を管理する無線技術プロトコルを定義している。
この技術の開発における大きな課題は、非常にダイナミックな車両環境での通信信頼性の確保です。
本論文では,新しい深層学習(DL)に基づく重み付き推定器を提案し,車両チャネルを正確に推定する。
論文 参考訳(メタデータ) (2021-04-18T10:57:52Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-02-24T22:18:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。